Certificación en Ciencia de datos

Módulo 3 - Manipulación de datos con tidyverse

Natalia da Silva

2024 -Módulo 3

Estructura

  • ¿Qué es el tidyverse?

  • Para qué sirve y cómo usarlo

  • Cómo transformar datos con dplyr

¿Qué es el Tidyverse?

  • Es un paquete de R: tidyverse.

  • Conjunto de paquetes de R diseñados para la ciencia de datos.

  • Todos los paquetes comparten una misma filosofía, gramática y estructura de datos.

  • Los paquetes en tidyverse están diseñados para trabajar conjuntamente de forma natural.

Objectivo: resolver problemas complejos combinando piezas simples y uniformes.

  • Tiene una página web https://www.tidyverse.org

  • Tiene un libro: R for Data Science https://r4ds.hadley.nz

Esta es la segunda edición del libro publicada en Junio del 2023

Principios

Principios básicos:

  • Reutilizar estructuras de datos existentes

  • Componer funciones simples con |>

  • Utiliza la programación funcional

Para qué sirve

Cubrir todas las fases del análisis de datos dentro de R:

  • Importar datos

  • Ponerlos en formato ordenado (tidy)

  • Buscar relaciones entre ellos (mediante su transformación, visualización y creación de modelos)

  • Comunicar los resultados

Diagrama

¿Cómo usarlo?

Instalando tidyverse instalo todo

install.packages("tidyverse")


install.packages(c(
  "broom","conflicted", "cli","dbplyr", "dplyr", "dtplyr", 
  "forcats", "ggplot2", "googledrive", "googlesheets4", 
  "haven", "hms",  "httr", "jsonlite", "lubridate", "magrittr", 
  "modelr", "pillar",  "purrr", "ragg",  "readr", "readxl", 
  "reprex", "rlang", "rstudioapi", "rvest", "stringr",
  "tibble", "tidyr", "xml2", "tidyverse"
  ))

tidyverse_packages()

¿Cómo usarlo?

Cargando el tidyverse, tenemos el núcleo de paquetes

library(tidyverse)

# en vez de esto
  library(ggplot2) # visualización
  library(dplyr)   # manipulación de datos
  library(tidyr)   # ordenar los datos
  library(readr)   # importar datos
  library(purrr)   # para programación funcional
  library(tibble)  # objetos tibble, data.tables modernos
  library(stringr) # Cadena de caracteres
  library(forcats) # para factores
  library(lubridate) # manipulate dates

Se llama núcleo ya que son los paquetes que se esperaría usar en el análisis de datos a diario.

Transformar datos con dplyr

  • Paquete para manipulación y transfomación de datos, sus raices están en el paquete plyr que implementa la estrategia “split-apply-combine” paper para anális de datos.

  • Mientras plyr cubría un conjunto diverso de inputs y outputs dplyr solo se enfoca en data frames o tibbles.

  • Se pueden usar funciones base subset(), apply(), sapply(), tapply(), aggregate(), split(), o muchos loops pero vamos a ver otras formas de iterar en filas, grupos o variables en un data.frame.

Transformar datos con dplyr

  • En general es raro tener los datos tal cuál los necesitamos para el análisis.

  • Hay veces que queremos generar nuevas variables, resumir información, ordenar la información, etc.

  • Vamos a usar dplyr para manipulación y transformación de datos

Transformar datos con dplyr

Veremos los principales verbos (funciones) de dplyr que permiten resolver muchas tareas cotidianas de manipulación y transformación de datos

Las funciones de dplyr tienen en común:

  1. El primer argumento siempre es un data.frame.

  2. Los siguientes argumentos en general describen las columnas donde se hacen las operaciones, usando el nombre de las variables si comillas

  3. El resultado siempre es un nuevo data.frame (tibble)

Transformar datos con dplyr

  • data.frame: la forma más común de guardar datos en R. Es una lista que contiene vectores de la misma longitud.

  • Nos queda una estructura de dos dimensiones que comparte características de las matrices y las listas.

  • Un data.frame tiene names(), colnames(), rownames() al mismo tiempo tiene ncol(), nrow().

Principales verbos de dplyr

Los verbos de dplyr se organizan en cuatro grupos de verbos dependiendo sobre donde realizan las operaciones: (filas, columnas, grupos o tablas)

Ahora nos concentraremos en los que operan en filas, columnas o grupos y luego veremos los de tipo joint que operan sobre tablas

Principales verbos de dplyr

Las principales funcionalidades de dplyr son un conjuntos de verbos que representan distintos objetivos del análisis de datos.

Verbos que hacen las operaciones en filas, columnas y grupos:

  • Sobre las filas:
    • filter()
    • arrange()
  • Sobre las columnas:
    • select()
    • mutate()
  • Sobre los grupos:
    • summarise()
    • group_by()

Sobre las filas: filter()

filter(.data, ...) Modifica las filas que están presentes sin modificar el orden.

  • filter() toma un conjunto de datos y los subdivide de acuerdo a una condición. Selecciona las filas que cumplen la condición.

  • filter() toma expresiones lógicas y devuelve todas las filas que cumplen la condición.

Sobre las filas: filter()

Nos quedamos con filas basados en valores de las columnas.

head(mtcars)
# A tibble: 6 x 11
    mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
  <dbl> <int> <dbl> <int> <dbl> <dbl> <dbl> <int> <int> <int> <int>
1  21.0     6   160   110  3.90 2.620 16.46     0     1     4     4
2  21.0     6   160   110  3.90 2.875 17.02     0     1     4     4
3  22.8     4   108    93  3.85 2.320 18.61     1     1     4     1
4  21.4     6   258   110  3.08 3.215 19.44     1     0     3     1
5  18.7     8   360   175  3.15 3.440 17.02     0     0     3     2
6  18.1     6   225   105  2.76 3.460 20.22     1     0     3     1

Sobre las filas: filter()

 filter(mtcars, mpg > 22)
# A tibble: 9 x 11
    mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
  <dbl> <int> <dbl> <int> <dbl> <dbl> <dbl> <int> <int> <int> <int>
1  22.8     4 108.0    93  3.85 2.320 18.61     1     1     4     1
2  24.4     4 146.7    62  3.69 3.190 20.00     1     0     4     2
3  22.8     4 140.8    95  3.92 3.150 22.90     1     0     4     2
4  32.4     4  78.7    66  4.08 2.200 19.47     1     1     4     1
5  30.4     4  75.7    52  4.93 1.615 18.52     1     1     4     2
6  33.9     4  71.1    65  4.22 1.835 19.90     1     1     4     1
7  27.3     4  79.0    66  4.08 1.935 18.90     1     1     4     1
8  26.0     4 120.3    91  4.43 2.140 16.70     0     1     5     2
9  30.4     4  95.1   113  3.77 1.513 16.90     1     1     5     2

Sobre las filas: filter()

Si queremos guardar estos datos los debemos asignarlos

dat_red <-filter(mtcars, mpg > 22)

Pero si quiero verlos y guardarlos puedo encerrarlo entre paréntesis

( dat_red <-filter(mtcars, mpg > 22) )
               mpg cyl  disp  hp drat    wt  qsec vs am gear carb
Datsun 710     22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
Merc 240D      24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
Merc 230       22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
Fiat 128       32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
Honda Civic    30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
Toyota Corolla 33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
Fiat X1-9      27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
Porsche 914-2  26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
Lotus Europa   30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2

Sobre las filas: filter()

 filter(mtcars, mpg == 24.4 & gear == 4)

   mpg cyl  disp hp drat   wt qsec vs am gear carb
1 24.4   4 146.7 62 3.69 3.19   20  1  0    4    2

Comparaciones con filter()

  • Para filtrar correctamente hay que saber cuáles son los operadores de comparación

  • Operadores de comparación >, >=, <, <=, != (distinto), e == (igual).

  • Error filter(mtcars, mpg = 24.4)

Operadores lógicos

  • Cuando usamos múliples argumentos para filtrar se combinana con and (&) y filtra las filas que cumplen todas las condiciones.

  • Otros operadores, | es “or” y ! es “not”

Operadores lógicos

Operadores lógicos

filter(mtcars, mpg == 24.4 | mpg == 22.8)
            mpg cyl  disp hp drat   wt  qsec vs am gear carb
Datsun 710 22.8   4 108.0 93 3.85 2.32 18.61  1  1    4    1
Merc 240D  24.4   4 146.7 62 3.69 3.19 20.00  1  0    4    2
Merc 230   22.8   4 140.8 95 3.92 3.15 22.90  1  0    4    2

Operadores lógicos

Si quiero todas las filas donde mpg es uno de los valores del vector en la derecha, tengo que usar %in%

filter(mtcars, mpg %in% c(24.4,22.8))
            mpg cyl  disp hp drat   wt  qsec vs am gear carb
Datsun 710 22.8   4 108.0 93 3.85 2.32 18.61  1  1    4    1
Merc 240D  24.4   4 146.7 62 3.69 3.19 20.00  1  0    4    2
Merc 230   22.8   4 140.8 95 3.92 3.15 22.90  1  0    4    2

Da lo mismo que lo anterior, es una forma corta cuando combinamos | con ==

Sobre las filas: filter() 

filter(mpg, manufacturer %in% c("audi", "honda") &
         year == 1999 & cyl == 4)
# A tibble: 9 x 11
  manufacturer model  displ  year   cyl trans  drv     cty   hwy fl    class
  <chr>        <chr>  <dbl> <int> <int> <chr>  <chr> <int> <int> <chr> <chr>
1 audi         a4       1.8  1999     4 auto(… f        18    29 p     comp…
2 audi         a4       1.8  1999     4 manua… f        21    29 p     comp…
3 audi         a4 qu…   1.8  1999     4 manua… 4        18    26 p     comp…
4 audi         a4 qu…   1.8  1999     4 auto(… 4        16    25 p     comp…
5 honda        civic    1.6  1999     4 manua… f        28    33 r     subc…
6 honda        civic    1.6  1999     4 auto(… f        24    32 r     subc…
7 honda        civic    1.6  1999     4 manua… f        25    32 r     subc…
8 honda        civic    1.6  1999     4 manua… f        23    29 p     subc…
9 honda        civic    1.6  1999     4 auto(… f        24    32 r     subc…

Equivalente a:

filter(mpg, manufacturer %in% c("audi", "honda"),year == 1999 , cyl == 4)

Sobre las filas: arrange()

arrange cambia el orden de las filas de un data.frame sin cambiar las filas presentes, por defecto el orden es ascendente

  • En vez de seleccionar filas (filter()) las ordena según alguna variable.

  • Si usamos más de una columna, cada columna adicional se usará para resolver empates que surgen de ordenar con las columnas anteriores.

  • desc() ordena las filas en orden descendente

Sobre las filas: arrange() 

arrange(mtcars, mpg )

                    mpg cyl  disp  hp drat    wt  qsec vs am gear carb
Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
.
.
.
.

Sobre las filas: arrange() 

arrange(mtcars, mpg, qsec)
                      mpg cyl disp  hp drat   wt  qsec vs am gear carb
Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
.
.
.
.

Sobre las filas: arrange() 

arrange(mtcars, desc(mpg) )

# A tibble: 32 x 11
     mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
   <dbl> <int> <dbl> <int> <dbl> <dbl> <dbl> <int> <int> <int> <int>
 1  33.9     4  71.1    65  4.22 1.835 19.90     1     1     4     1
 2  32.4     4  78.7    66  4.08 2.200 19.47     1     1     4     1
 3  30.4     4  75.7    52  4.93 1.615 18.52     1     1     4     2
 4  30.4     4  95.1   113  3.77 1.513 16.90     1     1     5     2
 5  27.3     4  79.0    66  4.08 1.935 18.90     1     1     4     1
 6  26.0     4 120.3    91  4.43 2.140 16.70     0     1     5     2
 7  24.4     4 146.7    62  3.69 3.190 20.00     1     0     4     2
 8  22.8     4 108.0    93  3.85 2.320 18.61     1     1     4     1
 9  22.8     4 140.8    95  3.92 3.150 22.90     1     0     4     2
10  21.5     4 120.1    97  3.70 2.465 20.01     1     0     3     1
# ... with 22 more rows

Sobre las filas

  • Tanto filter como arrange sólo afectan las filas y las columnas se mantienen incambiadas.

  • Adicionalmente la función distinct retorna las filas que son únicas en un data.frame, en principio opera sobre las filas opera sobre las filas pero también se podrían seleccionar columnas donde las filas son direrentes.

Sobre las columnas: select()

  • Cambia qué columnas están presentes, se usa para seleccionar una o más columnas del data.frame(),

  • Hay funciones selectoras como:

    • starts_with() comienza con un prefijo
    • ends_with() termina con un prefijo
    • matches() machea una expresión regular
    • contains() contiene un string particular

Sobre las columnas:select()

select(mtcars, ends_with("t") )

# A tibble: 32 x 2
    drat    wt
   <dbl> <dbl>
 1  3.90 2.620
 2  3.90 2.875
 3  3.85 2.320
 4  3.08 3.215
 5  3.15 3.440
 6  2.76 3.460

Sobre las columnas: select() 

select(mtcars, wt:gear )

                       wt  qsec vs am gear
Mazda RX4           2.620 16.46  0  1    4
Mazda RX4 Wag       2.875 17.02  0  1    4
Datsun 710          2.320 18.61  1  1    4
Hornet 4 Drive      3.215 19.44  1  0    3
Hornet Sportabout   3.440 17.02  0  0    3
Valiant             3.460 20.22  1  0    3
Duster 360          3.570 15.84  0  0    3
Merc 240D           3.190 20.00  1  0    4

Sobre las columnas: select()

Se recomienda ! en vez de -

select(mtcars, !(wt:gear) )
                  mpg     cyl  disp  hp drat carb
Mazda RX4           21.0   6 160.0 110 3.90    4
Mazda RX4 Wag       21.0   6 160.0 110 3.90    4
Datsun 710          22.8   4 108.0  93 3.85    1
Hornet 4 Drive      21.4   6 258.0 110 3.08    1
Hornet Sportabout   18.7   8 360.0 175 3.15    2
Valiant             18.1   6 225.0 105 2.76    1
Duster 360          14.3   8 360.0 245 3.21    4
Merc 240D           24.4   4 146.7  62 3.69    2

Sobre las columnas: select() 

select(mtcars, carb, hp,everything() )
                      carb  hp  mpg cyl  disp drat    wt  qsec vs am gear
Mazda RX4              4 110 21.0   6 160.0 3.90 2.620 16.46  0  1    4
Mazda RX4 Wag          4 110 21.0   6 160.0 3.90 2.875 17.02  0  1    4
Datsun 710             1  93 22.8   4 108.0 3.85 2.320 18.61  1  1    4
Hornet 4 Drive         1 110 21.4   6 258.0 3.08 3.215 19.44  1  0    3
Hornet Sportabout      2 175 18.7   8 360.0 3.15 3.440 17.02  0  0    3
Valiant                1 105 18.1   6 225.0 2.76 3.460 20.22  1  0    3
Duster 360             4 245 14.3   8 360.0 3.21 3.570 15.84  0  0    3
Merc 240D              2  62 24.4   4 146.7 3.69 3.190 20.00  1  0    4
Merc 230               2  95 22.8   4 140.8 3.92 3.150 22.90  1  0    4
Merc 280               4 123 19.2   6 167.6 3.92 3.440 18.30  1  0    4
.
.
.
.

Sobre las columnas: mutate()

  • mutate() se usa para crear o modificar variables (columna) como función de variables existentes.

  • Siempre se agrega al final de data.frame()

  • El número de columnas cambia pero no las filas

mutate(mtcars, wtkg = wt*0.45359*1000)

    mpg cyl  disp  hp drat    wt  qsec vs am gear carb      wtkg
1  21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4 1188.4058
2  21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4 1304.0712
3  22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1 1052.3288
4  21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1 1458.2918
5  18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2 1560.3496

Sobre las columnas: mutate()

  • Si solamente queremos quedarnos con las nuevas variables debemos incluir .keep = "none"
mutate(mtcars, wtkg = wt*0.45359*1000, .keep = "none")
                       wtkg
                      <dbl>
Mazda RX4             1188.4058         
Mazda RX4 Wag         1304.0712         
Datsun 710            1052.3288         
Hornet 4 Drive        1458.2918         
Hornet Sportabout     1560.3496         
Valiant               1569.4214         
Duster 360            1619.3163         
Merc 240D             1446.9521         
Merc 230              1428.8085         
Merc 280              1560.3496

Sobre las columnas

  • rename() si queremos mantener todas las variables y solo renombrar algunas

  • relocate() para mover variables, si quiero llevar variables al frene o agruparlas (argumento .before o .after una variable particular)

Operador pipe %>%

magrittr pkg ofrece un conjunto de operadores que hacen tu código más legible.

  • estructura una secuencia de operadores de datos de izquierda a derecha
  • evita funciones anidadas
  • reduce la necesidad de variables locales y definir funciones y es más sencillo agregar pasos en la secuencia de operaciones

Operador pipe %>% lo que queda del lado izquierdo se aplica a expresiones que aparecen del lado derecho. Ejemplo puedo remplazar f(x) como x |> f()

tidyverse usa el paquete magrittr y %>% se puede usar siempre que cargo tidyverse.

|> y %>% para casos simples son equivalentes y se recomienda usar |> porque es de R base y funciona incluso fuera de tidyverse.

Sobre grupos: group_by() y summarise()

  • group_by() toma los datos y introduce grupos para cada nivel de la variable de grupo

  • summarise() Crea resúmenes de data.frame() por grupos, el resultado es una fila para cada grupo de datos.

group_by() y summarise() para un data.frame() agrupado el resumen estadístico será calculado para cada grupo.

group_by() y summarise()

mtcars |> 
  group_by(cyl) |> 
  summarise(cyl_n = n() )

# A tibble: 3 x 2
    cyl cyl_n
  <int> <int>
1     4    11
2     6     7
3     8    14

group_by() y count()

Equivalente

mtcars |> 
  group_by(cyl) |> 
  count( )

# A tibble: 3 x 2
    cyl cyl_n
  <int> <int>
1     4    11
2     6     7
3     8    14

group_by() y summarise()

mtcars |> 
  group_by(cyl,gear) |> 
  summarise(cyl_n = n() )

# A tibble: 8 × 3
# Groups:   cyl [3]
    cyl  gear cyl_n
  <dbl> <dbl> <int>
1     4     3     1
2     4     4     8
3     4     5     2
4     6     3     2
5     6     4     4
6     6     5     1
7     8     3    12
8     8     5     2

group_by() y summarise()

Si quiero saber la media de mpg según el número de cilindros cyl

???

group_by() y summarise()

 mtcars |> 
  group_by(cyl) |> 
  summarise(
    mean_mpg = mean(mpg)
  )

# A tibble: 3 × 2
    cyl mean_mpg
  <dbl>    <dbl>
1     4     26.7
2     6     19.7
3     8     15.1

Combinar resumen y gráfico con |>

 mtcars |> 
  group_by(cyl) |> 
  summarise(
    media_mpg = mean(mpg)
    ) |> 
  ggplot(aes(x = cyl, y = media_mpg)) + geom_point()

Combinar resumen y plot con |> 

 mtcars |> 
  group_by(cyl) |> 
  summarise(
    media_mpg = mean(mpg)
  ) |> 
  ggplot(aes(x = cyl, y = media_mpg)) + geom_point()

Combinar resumen y plot con |> 

 mtcars |> 
  group_by(cyl) |> 
  summarise(
    media_mpg = mean(mpg),
    se = sd(mpg)/sqrt(n())
  ) |> 
  ggplot(aes(x = cyl, y = media_mpg)) + geom_point(color ="red", size=3) +
  geom_point(data = mtcars, aes(x = cyl, y = mpg), alpha = 1/3)+
  geom_errorbar(aes(ymin=media_mpg-2*se, ymax=media_mpg+2*se), width=.2,
                 position=position_dodge(.9))

Combinar resumen y plot con |> 

 mtcars |> 
  group_by(cyl) |> 
  summarise(
    media_mpg = mean(mpg)
  ) |> 
  ggplot(aes(x = cyl, y = media_mpg)) + geom_point(color ="red", size = I(3))+
  geom_point(data = mtcars, aes(x = cyl, y = mpg), alpha = 1/3)

Combinar con |>

¿ Qué estamos haciendo?

 mtcars |> 
  group_by(carb) |> 
  summarise(
    conteo = n(),
    media_mpg = mean(mpg),
    media_qsec = mean(qsec)
  ) |>  filter(carb >= 4, conteo != 10 )

Combinar con |> 

# A tibble: 2 × 4
   carb conteo media_mpg media_qsec
  <dbl>  <int>     <dbl>      <dbl>
1     6      1      19.7       15.5
2     8      1      15         14.6

Combinar con |>

¿ Qué estamos haciendo?

 mtcars |>  group_by(cyl, wt>mean(wt)) |> 
  summarise(
    mean_wt = mean(wt),
    max_mpg = max(mpg),
    min_mpg = min(mpg)
  )

Combinar con |> 

# A tibble: 5 × 5
# Groups:   cyl [3]
    cyl `wt > mean(wt)` mean_wt max_mpg min_mpg
  <dbl> <lgl>             <dbl>   <dbl>   <dbl>
1     4 FALSE              2.29    33.9    21.4
2     6 FALSE              2.87    21.4    19.7
3     6 TRUE               3.45    19.2    17.8
4     8 FALSE              3.17    15.8    15.8
5     8 TRUE               4.06    19.2    10.4

Funciones de resumen útiles

  • locación: mean(), median()

  • dispersión: sd(), IQR()

  • rango: min(), max(), quantile()

  • posición: first(), nth(), last() obtiene el primer, último o enésimo elemento de un vector.

  • conteos: n(), sum(!is.na()), n_distinct()

desagrupar

Si luego de agrupar necesitamos realizar operaciones sin agrupar, se puede usar ungroup().

Datos faltantes

Si tenemos datos faltantes NA, na.rm = TRUE indica que los NA no se utilizarán en el cálculo. Con dplyr lo debemos usar ya que las funciones de agrupamiento retornan NA si hay alguno.

mtcars |> 
  group_by(cyl) |> 
  summarise(
    media_mpg = mean(mpg, na.rm =TRUE)
  )
# A tibble: 3 × 2
    cyl media_mpg
  <dbl>     <dbl>
1     4      26.7
2     6      19.7
3     8      15.1

Datos faltantes

Hay distintas estrategias para trabajar con datos faltantes removerlos del análisis probablemente no sea la mejor solución.

Si queremos sacar los faltantes puedo filtrar las filas que no lo tienen con :

filter(!is.na(variable))

También se puede filtrar sacando los NA para más de una variable.

Si quiero sacar todas las filas que tienen algún NA podemos usar

na.omit()

Material del curso

Todo el material de este curso está bajo licencia Creative Commons BY-NC-SA 3.0